Booq — tradução e dublagem de vídeo com IA, com foco no persa

Em resumo

• A localização de mídia exigia uma cadeia de tradutores, dubladores, estúdios e editores, cada um deles um fornecedor e uma fatura à parte.
• Um único aplicativo web com foco no persa para tradução, dublagem, podcasts, música, imagens e filmes, com pagamento a partir de uma só carteira.
• No ar e em desenvolvimento ativo, com notas de versão para clientes geradas a partir das implantações em produção.

Destaques

• Cinco modos de localização para um vídeo

  Legendas originais ou traduzidas, dublagem, ou dublagem com qualquer uma das duas faixas de legenda; um resultado por idioma, além de um pacote único.

• Uma voz distinta para cada falante

  A dublagem com múltiplos falantes detecta quem está falando, dá a cada falante uma voz distinta e alinha o tempo das falas ao original.

• 30 vozes e uma linha do tempo para podcasts

  Narração, silêncio e trechos musicais em uma única linha do tempo; a música só abaixa enquanto alguém está falando.

• Música e canções a partir de um briefing

  Instrumentais originais e canções completas, com um modo estrito que preserva exatamente a letra do usuário e tradução opcional da letra.

• 115 estilos visuais em 6 grupos

  Câmera, cor, iluminação, material, estilo artístico e técnica, combinados sem jargão de prompt; uma cópia opcional em resolução mais alta de cada imagem.

• Da história ao filme em 9 etapas guiadas

  Cada etapa mostra primeiro o seu plano; o usuário pode aceitá-lo, gerá-lo novamente, editá-lo ou enviar a própria versão. As fichas de personagem mantêm os personagens consistentes entre os planos.

O desafio

Fazer a localização de um vídeo costuma exigir uma cadeia de especialistas: um tradutor, dubladores, um estúdio de gravação e um editor, e muitas vezes também um designer e um compositor. Cada elo é um fornecedor separado, com seu próprio formato de arquivo e sua própria fatura, e é nas passagens de um para outro que o cronograma atrasa.

Para os criadores de conteúdo, empresas e educadores de língua persa para quem a Booq foi criada, as condições elevam ainda mais o nível de exigência. Os pagamentos são feitos em toman, por meio de um gateway local, arquivos de vídeo grandes trafegam por conexões instáveis, e a interface precisa parecer nativa em um idioma escrito da direita para a esquerda, e não traduzida para ele.

Por baixo de tudo, cada recurso depende de provedores externos de IA, e cada um deles pode falhar ou mudar de forma independente. A plataforma precisava continuar funcionando quando um deles falhasse, e quem tem algo a dizer nunca deveria precisar virar editor de vídeo para dizê-lo.

Arquitetura

A Booq é um conjunto de serviços independentes por trás de um único aplicativo web, com um gateway separado para cada provedor de IA. É essa única decisão que permite trocar um modelo, rotacionar uma chave ou contornar automaticamente um provedor com falha, sem mexer no restante do produto.

• Toda tarefa entra em fila. O processamento pesado aguarda em filas de prioridade duráveis, com limites por serviço, em vez de rodar dentro de uma requisição web.

• O trabalho é retomado, não reiniciado. As traduções salvam pontos de controle e continuam de onde pararam após uma falha, e uploads grandes são retomados em uma conexão ruim, em vez de recomeçar do zero.

• O dinheiro acompanha o trabalho. Uma única carteira pré-paga em toman, IVA exibido de antemão, um livro-razão permanente, descontos aplicados exatamente como informados e reembolso automático quando uma tarefa falha.

• Três aplicativos, não um. Clientes, administradores e equipe de suporte usam, cada um, um aplicativo implantado separadamente, e o login feito em um não funciona em outro.

• Ajustes, não novas versões. Áreas do produto são ativadas ou desativadas sem uma nova versão, e modelos e chaves de provedores são trocados pelo painel de administração.

A plataforma roda em um cluster de contêineres definido como código, com as cargas pesadas posicionadas junto aos seus dados. Cada versão passa por build, testes, implantação em homologação e um smoke test antes que uma pessoa a aprove para produção, e um rollback de emergência para a versão anterior pode ser acionado manualmente.

O que eu construí

Um único espaço de trabalho cobre todo o caminho, do material de origem ao arquivo final.

Tradução e dublagem de vídeo

• Cinco modos de saída: legendas no idioma original, legendas traduzidas, apenas dublagem, dublagem com legendas originais ou dublagem com legendas traduzidas.

• Dublagem com múltiplos falantes: os falantes são detectados, cada um recebe uma voz distinta e o tempo das falas é alinhado ao original.

• Automático ou interativo: execução sem intervenção, ou pausa para revisar e editar as legendas antes de qualquer renderização.

• Acabamento pronto para veiculação: legendas estilizadas gravadas na imagem, para vídeo vertical e widescreen, com o áudio original ou a música de fundo mantidos em volume baixo sob a dublagem.

• Entrada em lote e por link: é possível enviar um arquivo compactado com vídeos ou colar um link de rede social, com detecção automática do idioma de origem e o preço exibido antes de qualquer cobrança.

Voz, podcasts e música

• 30 vozes de IA com direção de tom, aplicada como instrução em vez de ser lida em voz alta.

• Estúdio de Podcast: narração, silêncio e clipes de áudio em uma única linha do tempo; a voz pode entrar sobre o final de um trecho musical, e a música só abaixa enquanto alguém fala.

• Música e canções: instrumentais originais a partir de um briefing e canções completas com letras de IA ou do usuário, incluindo um modo estrito que preserva as palavras exatas e tradução opcional da letra.

• Transcrição para legendas ou texto simples, com pontuação por IA e revisão humana opcional.

Imagens e filmes

• Estúdio de Estilo Visual: 115 estilos em 6 grupos, para compor um visual sem jargão de prompt, além de uma cópia opcional em resolução mais alta de cada imagem.

• Estúdio de Vídeo com IA: um tema ou uma história vira um filme renderizado em 9 etapas guiadas: história, decupagem, estilo visual, personagens, fichas de personagem, trilha sonora, planos, edição e renderização.

• Design de som: 744 efeitos sonoros gratuitos e de domínio público dentro do estúdio, em uma linha do tempo de áudio multipista.

Além da produção

• Minha Biblioteca reúne todos os uploads e todos os resultados em um só lugar, disponíveis onde quer que um arquivo seja necessário.

• Privado por padrão: só o proprietário pode baixar um resultado, a menos que crie um link de compartilhamento.

• Três idiomas de interface: persa por padrão, além de inglês e árabe, com suporte completo à escrita da direita para a esquerda, e instalável como aplicativo web.

• Um construtor de páginas e um blog bilíngues, para que páginas de marketing sejam publicadas sem desenvolvedores.

Resultado

A Booq está no ar e em desenvolvimento ativo. As implantações em produção geram notas de versão voltadas aos clientes, com os nomes internos removidos, traduzidas para persa e árabe e editáveis pelos administradores.

Hoje, um criador de conteúdo pode levar um vídeo para vários idiomas em um único projeto, como legendas, dublagem ou ambos, e produzir podcasts, música, imagens e filmes no mesmo espaço de trabalho, com todos os resultados reunidos em uma única biblioteca. Cada tarefa mostra seu preço, ou sua estimativa inicial, antes de ser executada, e uma tarefa que falha tem a cobrança estornada automaticamente.

A equipe de operação pode trocar modelos, rotacionar chaves de provedores e ativar ou desativar áreas do produto sem uma nova versão, além de publicar páginas de marketing sem um desenvolvedor. Os backups são feitos a cada hora, e um backup de produção foi verificado por meio de uma leitura completa, do início ao fim.

Post-mortem

Operar a plataforma em produção levou a várias mudanças de rumo. Cada uma trocou uma premissa confortável por um padrão mais seguro.

Fala. A geração de fala foi, de início, fixada de propósito em um único provedor, porque outro provedor significa outra voz. Quando esse provedor saiu do ar, as dublagens foram montadas com silêncio onde faltavam falas. Hoje, a geração de fala recorre em cascata a uma cadeia de provedores, pelo princípio de que uma voz um pouco diferente é melhor do que o silêncio.

Moderação. A triagem de conteúdo rodava dentro da criação do projeto, e por isso os usuários esperavam entre o fim do upload e a página do projeto. Agora ela roda em segundo plano, e um resultado pronto fica retido com o status “revisão de conteúdo em andamento” até a revisão terminar, para que o resultado não seja apresentado como pronto enquanto sua revisão ainda está em curso.

Versões e backups. As implantações em produção deixaram de ser automáticas e passaram a depender de uma aprovação manual, que só é liberada depois que as verificações em homologação são aprovadas. Os backups passaram a ser feitos a cada hora, e o mais recente foi lido do início ao fim, porque um backup que ninguém nunca leu não é um backup.

Meu papel

• Como CTO, definiu a arquitetura da Booq: serviços independentes, um gateway separado para cada provedor de IA e três aplicativos implantados separadamente, para clientes, administradores e equipe interna.
• Levou a plataforma do primeiro commit a um cluster de contêineres de produção definido como código, com etapas de liberação que terminam em uma aprovação manual.
• Foi responsável pelas decisões de produto e de preços do programa de lançamento (campanhas de preço, licenciamento e política de armazenamento) e o conduziu como um programa estruturado, com etapas de verificação e de rollback.
• Definiu, como product owner, os requisitos do Estúdio de Vídeo com IA e montou o acervo inicial do Estúdio de Estilo Visual a partir de sua própria coleção curada de estilos.
• Conduziu um fluxo de trabalho de engenharia potencializado por IA, orientando agentes de programação a pesquisar boas práticas, planejar em fases e levar as entregas da homologação à produção.

Engenharia

• Provedores falham; o produto continua funcionando

  Cada provedor de IA fica atrás de seu próprio gateway, com contingência automática, e modelos e chaves são trocados pelo painel de administração, sem nova implantação.

• Preparado para falhas e conexões fracas

  As traduções são retomadas a partir de pontos de controle após uma falha, e uploads de vários gigabytes são retomados em uma rede ruim, em vez de recomeçar do zero.

• Dinheiro tratado de forma defensiva

  Tarefas que falham são reembolsadas automaticamente, os reembolsos são protegidos contra pagamento em duplicidade e cada transação é registrada em um livro-razão permanente.

• Verificado antes de ser exibido como pronto

  Imagens, vídeo, áudio e texto passam por triagem em segundo plano, com um canal de recurso; um resultado pronto fica retido até a conclusão da revisão.

• Controle de acesso em camadas

  Aplicativos separados para clientes, administradores e equipe interna; os consoles exigem segundo fator e usam permissões baseadas em papéis.

• Monitorado, testado sob carga e com backup

  Painéis com alertas encaminhados por severidade, testes de carga antes do lançamento com limites de aprovação e reprovação, e backups a cada hora, um dos quais foi verificado por meio de uma leitura completa, do início ao fim.

Resultados

• No ar e em desenvolvimento ativo, com interface focada no persa e disponível em persa, inglês e árabe.
• Um criador de conteúdo pode levar um vídeo para vários idiomas em um único projeto, como legendas, dublagem ou ambos.
• Podcasts, música, imagens e filmes são produzidos no mesmo espaço de trabalho e reunidos em uma única biblioteca.
• A equipe de operação troca modelos, rotaciona chaves e ativa ou desativa áreas do produto sem lançar uma nova versão.
• As implantações em produção geram notas de versão para clientes, traduzidas para persa e árabe e editáveis pelos administradores.